*Chuyển tiếp Tiêu đề Gốc ‘#81 - Vượt Qua Cơn Thổi Phồng: Tại Sao Gen AI Là Sự Chuyển Đổi Nền Tảng Thực Sự Tiếp Theo Của Ngành Ngân Hàng (Miễn Phí Để Đọc)’

Được tài trợ bởi Triage

Được xây dựng bởi các Giám đốc điều hành

Trong lĩnh vực dịch vụ tài chính ở Châu Phi, chuyên môn đặc thù trong các lĩnh vực như rủi ro, tín dụng, tuân thủ và công nghệ có thể quyết định hiệu suất của một công ty. Việc điều hướng các quy định phức tạp và tích hợp công nghệ mới đòi hỏi những nhà lãnh đạo hiểu được những điều tinh tế của các sản phẩm tài chính, kỳ vọng của các bên liên quan và thực tế thị trường. Nếu không có độ sâu kiến thức này, ngay cả những tổ chức được tài trợ tốt cũng có nguy cơ mắc phải những sai lầm tốn kém khiến nhà đầu tư bất an, làm chậm tăng trưởng và làm suy yếu lòng tin của khách hàng.

Triage mang đến sự kết hợp giữa kinh nghiệm thực tiễn với vai trò là các nhà điều hành trong ngành ngân hàng và dịch vụ tài chính, cùng với kinh nghiệm toàn cầu làm việc với một số doanh nghiệp dịch vụ tài chính lớn nhất thế giới. Đội ngũ của chúng tôi đã làm việc với các lãnh đạo cấp cao ở hơn 35 quốc gia khắp Châu Phi, hỗ trợ một loạt các chiến lược tăng trưởng và thay đổi cho nhiều khách hàng, từ các doanh nghiệp giai đoạn đầu đến các doanh nghiệp mở rộng, đến các chuyển đổi số và chiến lược phục hồi. Kinh nghiệm rộng rãi này cho phép chúng tôi nhận ra sự khác biệt giữa chuyên môn tạm thời và khả năng thực sự, đảm bảo bạn tương tác với những lãnh đạo thực sự hiểu điều gì cần thiết để thành công trong thế giới dịch vụ tài chính đang phát triển nhanh chóng.

Giới thiệu

Sự hoài nghi là điều cần thiết để nhìn sâu vào bảng cân đối kế toán, kỳ tích mới nhất của kỹ thuật tài chính hoặc câu chuyện không thể bỏ lỡ. . . . Chỉ có một người hoài nghi mới có thể phân biệt những điều nghe có vẻ tốt và thực sự là tốt với những điều nghe có vẻ tốt nhưng không phải là tốt. Những nhà đầu tư tốt nhất mà tôi biết thể hiện đặc điểm này. Đó là một điều cần thiết tuyệt đối. - Howard Marks

Là một người trẻ trong lĩnh vực tài chính, việc phát triển một liều lượng hoài nghi là rất quan trọng. Trong ngành ngân hàng cụ thể, hoài nghi mang lại lợi ích bởi vì những ngân hàng thành công nhất là những ngân hàng tránh được tổn thất hơn là những ngân hàng theo đuổi chiến thắng. Đó là một nghệ thuật tiêu cực. Tuy nhiên, hoài nghi không giống như bi quan. Nó đơn giản có nghĩa là có khả năng phân biệt giữa cái gì là sự phóng đại và cái gì không phải. Thách thức với nhiều người trong lĩnh vực tài chính là họ rơi vào cái bẫy hoài nghi chỉ để thể hiện rằng bạn thông minh.

Như John Collison hay Naval Ravikant đã nói, “Người bi quan nghe có vẻ thông minh, Người lạc quan kiếm được tiền”. Một tâm trí hoài nghi là quý giá. Tuy nhiên, để nó có giá trị, nó phải được kết hợp với sự nghiêm ngặt phân tích và quan trọng là khả năng thay đổi quan điểm khi sự thật thay đổi.

Đây là một bối cảnh hữu ích cho cuộc thảo luận hiện tại về AI sinh sinh, đặc biệt trong lĩnh vực ngân hàng và tài chính. Điều quan trọng là phải đề cập cụ thể đến AI sinh sinh thay vì học máy đã tồn tại trong một thời gian, đặc biệt là trong lĩnh vực ngân hàng. AI sinh sinh là loại trí tuệ có thể tạo ra những thứ mới như văn bản, hình ảnh, âm thanh hoặc video từ việc học trên những kho dữ liệu khổng lồ. Sự hoài nghi lười biếng đang khiến nhiều người gọi AI là sự phóng đại một cách vội vàng, trong khi sự lạc quan không có kiểm soát có thể dẫn đến các khoản đầu tư vội vàng. Để đưa ra quyết định thông minh về AI, điều quan trọng là phải đặt AI vào bối cảnh, đặc biệt là bối cảnh kinh tế của nó. Điều đó có nghĩa là phân tích AI như một sự chuyển đổi nền tảng và đặt nó vào vị trí lịch sử của nó so với các sự chuyển đổi nền tảng khác. AI trong bối cảnh lịch sử của nó nên khiến các ngân hàng và ngành công nghiệp tài chính nói chung đưa ra những quyết định đúng đắn.

Trong bài viết hôm nay, chúng ta sẽ hiểu nền tảng chuyển đổi là gì, xem xét các nền tảng chuyển đổi trong quá khứ và tác động của chúng đến ngành dịch vụ tài chính, đặt AI vào bối cảnh của một nền tảng chuyển đổi, xem xét các sáng kiến toàn cầu của các ngân hàng và Fintechs xung quanh AI và đánh giá các bài học quan trọng cho các nhà lãnh đạo trong ngành dịch vụ tài chính.

Sự chuyển mình của nền tảng và dịch vụ tài chính

Sự chuyển đổi nền tảng là gì

Tài chính, giống như bất kỳ ngành nào khác, đều chịu ảnh hưởng từ những biến đổi mà công nghệ mang lại. Dù là điện tín và tác động của nó đến ngân hàng dựa trên chi nhánh, hay máy tính mini và tác động của nó đến máy ATM. Tài chính luôn thích ứng với những chuyển dịch nền tảng. Trong công nghệ, một chuyển dịch nền tảng đề cập đến sự thay đổi cơ bản trong kiến trúc công nghệ cơ sở cho phép những khả năng mới do sự thay đổi lớn trong cấu trúc chi phí cơ bản. Thường thì, điều này cho phép những mô hình kinh doanh mới và cách tạo ra giá trị. Điều quan trọng là phải có sự thay đổi cơ bản trong cấu trúc chi phí của một cái gì đó, tức là chi phí để thực hiện X giảm đi một yếu tố 10x+ để một cái gì đó thực sự được coi là một sự thay đổi nền tảng. Các đặc điểm chính có thể được mô tả như sau;

• Thay đổi kiến trúc nền tảng: Các sự thay đổi của nền tảng liên quan đến những thay đổi triệt để trong cách công nghệ được cấu trúc và truy cập, không chỉ là những cải tiến đối với các hệ thống hiện có.
• Cải tiến hiệu suất chi phí theo cấp số nhân: Chúng thường mang lại những cải tiến theo cấp độ (10x hoặc lớn hơn) về chi phí, hiệu suất hoặc khả năng, không chỉ là những cải tiến từng phần.
• Mô hình Tạo ra Giá trị Mới: Sự chuyển đổi nền tảng cho phép các mô hình kinh doanh và tạo ra giá trị hoàn toàn mới mà trước đây không khả thi.
• Hình thành hệ sinh thái: Họ tạo ra những hệ sinh thái phong phú của các sản phẩm, dịch vụ và doanh nghiệp bổ sung. Điều này thường là một hiệu ứng hơn là một đặc điểm xác định.
• Gián đoạn thị trường: Sự chuyển đổi nền tảng thường làm gián đoạn các ngành công nghiệp hiện có và tạo ra các thị trường hoàn toàn mới.
• Dân chủ hóa: Họ thường làm cho công nghệ trở nên dễ tiếp cận hơn với nhiều đối tượng, cho phép những người tham gia mới.

Chúng ta sẽ xem xét một số sự thay đổi nền tảng lịch sử và phân tích điều quan trọng;

1. Nội dung của sự chuyển đổi nền tảng là gì;
2. Tác động của nó đến cấu trúc chi phí;
3. Những người chiến thắng từ ca làm việc này và cách họ tận dụng công nghệ;

1. Máy tính lớn: Tập trung tính toán (thập niên 1950–đầu thập niên 1970)

Bối cảnh lịch sử và các đặc điểm chính
Trước những năm 1950, các ngân hàng giữ sổ cái bằng tay hoặc với các máy lập bảng điện cơ. Xử lý một tấm séc có nghĩa là một nhân viên đánh một mục dòng, lưu trữ giấy tờ và đối chiếu tổng số vào cuối ngày. Các máy tính lớn như Hệ thống / 360 của IBM đã giới thiệu tính toán chương trình lưu trữ, nhận dạng ký tự mực từ tính và xử lý theo lô. Lần đầu tiên, một máy duy nhất có thể đọc hàng chục nghìn tấm séc mỗi giờ, tự động áp dụng các quy tắc tài khoản và đăng kết quả qua đêm.

Đường chi phí
Hóa đơn vốn rất cao, lên đến hàng triệu đô la, nhưng chi phí biên của việc đăng một giao dịch giảm xuống khoảng một trăm so với việc nhập liệu thủ công. Tỷ lệ lỗi giảm mạnh, thời gian cắt giảm được thu hẹp, và quy mô trở thành một vấn đề phần mềm thay vì một vấn đề nhân sự.

Câu chuyện của người chiến thắng
Sau Thế chiến thứ hai, tầng lớp trung lưu ở Mỹ đang phát triển mạnh mẽ và nhu cầu về dịch vụ ngân hàng, đặc biệt là séc, đang gia tăng. Tại Ngân hàng Mỹ, số lượng tài khoản séc đang tăng với tốc độ 23.000 tài khoản mỗi tháng và ngân hàng phải đóng cửa lúc 2 giờ chiều chỉ để xử lý các séc. Ngân hàng Mỹ đã thực hiệnMáy ghi âm điện tử kế toán(ERMA) hệ thống vào năm 1959. Nó xử lý khoảng 36.000 séc mỗi giờ, (khoảng 10 mỗi giây) so với ~245 séc/giờ bởi một kế toán viên con người. Nó xử lý ba phần tư tỷ bút toán mỗi năm và giúp ngân hàng mở rộng ra ngoài California mà không cần thuê hàng ngàn nhân viên. Đối với Ngân hàng Mỹ, bằng cách cải thiện đáng kể khả năng thông qua (hơn 100× nhanh hơn), nó giảm mạnh chi phí mỗi séc được xử lý và mở rộng để phục vụ nhiều khách hàng hơn. Tự động hóa các nhiệm vụ văn phòng đã mang lại lợi thế chi phí cho những người áp dụng sớm như BofA, thúc đẩy sự phát triển của họ thành những nhà lãnh đạo quốc gia.

2. Máy tính mini: Tự động hóa bộ phận (những năm 1970–giữa những năm 1980)

Bối cảnh lịch sử và các đặc điểm chính
Sự xuất hiện của máy tính mini – nhỏ hơn và rẻ hơn nhiều so với máy tính lớn – đã dân chủ hóa việc tính toán vượt ra ngoài Fortune 500. Các ngân hàng, công ty chứng khoán và nhà cung cấp dịch vụ có thể triển khai các hệ thống mini và tầm trung (từ các nhà cung cấp như DEC, Data General, dòng AS/400 của IBM, v.v.) ở cấp độ phòng ban hoặc chi nhánh. Thời kỳ này đã chứng kiến sự ra đời của các mạng điện tử và dịch vụ fintech có thể hoạt động trên cơ sở hạ tầng rẻ hơn, cho phép các người chơi chuyên biệt mới.

Đường chi phí
Một nhánh giờ đây có thể có sức mạnh tính toán riêng với chi phí chỉ bằng một phần nhỏ so với một máy tính lớn. Các phiên tương tác thay thế các báo cáo theo lô, và các kênh mới như ATM trở nên tiết kiệm. Các máy tính mini đã giảm giá thành tính toán. Một máy tính mini vào giữa những năm 1970 có thể có giá lên tới hàng chục ngàn, giảm chi phí tính toán trên mỗi đơn vị xuống một bậc so với các máy tính lớn của những năm 1960. Sự hợp lý về giá này đã mở rộng việc áp dụng CNTT trong lĩnh vực tài chính. Kết quả là, đến những năm 1980, ngay cả các công ty tài chính tầm trung cũng đã tin học hóa hoạt động, dẫn đến dịch vụ nhanh hơn và chi phí trên mỗi đơn vị thấp hơn.

Câu chuyện của người chiến thắng

Máy tính Mini DEC - Nguồn DEC

Citibank đã mua hàng trăm máy tính Tandem NonStop và DEC mini, kết nối chúng với các cây ATM, và ra mắt chiến dịch tiếp thị “Citi Never Sleeps” vào năm 1977. Khi một cơn bão tuyết làm New York đóng băng vào năm 1978, các cây ATM của Citi vẫn phục vụ khách hàng, khối lượng giao dịch tăng hai mươi phần trăm, và thị phần tiền gửi trong thành phố đã gấp đôi trong vòng ba năm. Chi phí giao dịch, khoảng một đô la mỗi lần ghé thăm,giảm xuống khoảng ba mươi cent trên một máy ATM.

3. Khách hàng‑Máy chủ và Cơ sở dữ liệu Quan hệ: Xử lý Phân tán (cuối những năm 1980–1990)

Bối cảnh lịch sử và đặc điểm chính
Trước kỷ nguyên client-server, cơ sở dữ liệu nằm trong máy tính kết hợp cả dữ liệu và giao diện. Kỷ nguyên client-server đã mang lại sự tách biệt giữa lớp dữ liệu và lớp giao diện. Có một client (PC) và một server. Một máy tính Windows hoặc Mac đảm nhiệm việc trình bày, một server tầm trung lưu trữ dữ liệu, và SQL đã giao tiếp giữa chúng qua một mạng cục bộ. Các cơ sở dữ liệu quan hệ có sẵn đã mang lại cái nhìn mới: hàng triệu dòng có thể được truy vấn trong vài giây, cho phép các mô hình tiếp thị thống kê và rủi ro.

Đường chi phí
Máy tính dưới 2.000 đô la cùng với các máy Unix dưới 100.000 đô la cho phép các ngân hàng truy vấn hàng triệu dòng trong vòng vài giây.

Câu chuyện của người chiến thắng
Capital One, được tách ra từ Ngân hàng Signet vào năm 1994, đã sử dụng một lưới máy khách - máy chủ chạy Oracle để thử nghiệm hàng nghìn đề nghị thẻ tín dụng song song. Họ định giá rủi ro ở cấp độ cá nhân và tăng số lượng khách hàng lên bốn mươi phần trăm vào năm 1997 trong khi các công ty hiện hữu dựa vào các bậc FICO rộng. Lợi suất trên vốn chủ sở hữu liên tục vượt quá hai mươi phần trăm vì phân tích đã thay thế định giá đồng loạt. Những người chiến thắng khác bao gồm Charles Schwab, người đã nhận ra rằng thời kỳ máy khách - máy chủ có thể dân chủ hóa dịch vụ môi giới chứng khoán.

Tại châu Phi, mặc dù có một chút chậm trễ, những người chiến thắng bao gồm;

1. Ngân hàng Equity đã tận dụng kiến trúc máy khách-máy chủ và máy tính mini để mở rộng khả năng giao dịch của mình bằng cách nâng cấp lên Finacle (Hệ thống Ngân hàng Cốt lõi dựa trên Máy khách-Máy chủ) trong khi cũng mở rộng mạng lưới ATM của họ bằng các hệ thống tương tự. Điều này cuối cùng đã chuyển thành Ngân hàng Đại lý. Họ đã chuyển từ việc là một thực thể không nổi bật vào những năm 90 thành ngân hàng lớn nhất Đông Phi theo vốn hóa thị trường;
2. GT Bank - Đã sử dụng kiến trúc client-server để cải thiện quy trình giao dịch tại chi nhánh, giúp nâng cao dịch vụ khách hàng. Trước đó, khách hàng phải chờ đợi hàng giờ để xử lý một giao dịch gửi tiền hoặc rút tiền đơn giản.

4. Cloud 1.0: Hạ tầng như một dịch vụ (2006–đầu những năm 2010)

Nguồn: Tạp chí Kinh doanh và Tài chính - Các anh em Collison

Bối cảnh lịch sử và các đặc điểm chính

Web vẫn yêu cầu các công ty sở hữu máy chủ. Amazon Web Services đã biến tính toán, lưu trữ và cơ sở dữ liệu thành các dịch vụ tiện ích theo mức tiêu thụ. Một ứng dụng có thể mở rộng từ mười người dùng lên mười triệu mà không cần đơn đặt hàng phần cứng.

Đường chi phí
Thay vì hàng triệu chi phí vốn, một nhà phát triển chỉ cần một thẻ tín dụng và có thể trả vài xu mỗi giờ cho tính toán. Khả năng mở rộng linh hoạt có nghĩa là chi phí tăng lên tương ứng với mức sử dụng, loại bỏ các bước tăng đột biến lớn. Điều này hoàn toàn khác với thời kỳ cơ sở dữ liệu quan hệ, nơi bạn cần phải ước lượng sự tăng trưởng của mình trước, dẫn đến chi phí vốn đáng kể phải trả trước.

Câu chuyện của người chiến thắng
Stripe ra mắt vào năm 2010, bốn năm sau khi AWS ra mắt vào năm 2006, với một API thanh toán có thể hoạt động chỉ trong vài phút. Mẫu mã bảy dòng của nó đã trừu tượng hóa việc thẩm định thương nhân, thanh toán và tuân thủ. Đến năm 2024, Stripe đã xử lý khoảng 1,4 triệu tỷ USD trong các khoản thanh toán, khối lượng mà trước đây thuộc về các đơn vị ngân hàng mua lại và các bộ xử lý truyền thống, và chi phí tiếp nhận của nó vẫn chỉ là một lỗi làm tròn nhờ vào việc lập hóa đơn dựa trên mức sử dụng của đám mây. Các API trở thành một hình thức tạo ra giá trị mới xác thực đám mây như một sự chuyển mình thực sự của nền tảng.

5. Kỷ nguyên Di động và Đám mây (2010s – 2020s)

Nguồn: [itweb.co.za]

Bối cảnh lịch sử & đặc điểm chính
Điện thoại thông minh đưa một máy tính internet, cảm biến sinh trắc học và phần tử bảo mật vào mỗi túi, biến "phân phối" thành một danh sách trên cửa hàng ứng dụng. Hơn nữa, các nền tảng điện toán đám mây công cộng (AWS, GCP, Azure) cung cấp cơ sở hạ tầng cấp ngân hàng như một tiện ích; các dịch vụ vi mô và quy trình CI/CD cho phép phát hành tính năng hàng tuần - thậm chí hàng ngày. Các mạng di động cũng đóng vai trò như các đường ray thanh toán; mã QR và tài khoản ảo đã thay thế phần cứng POS chuyên dụng và mạng lưới chi nhánh.

Đường chi phí
Trong khuôn khổ mới này, khách hàng cung cấp thiết bị đầu cuối, băng thông và xác thực; chi phí tiếp nhận gia tăng đã giảm xuống chỉ còn một phần nhỏ chi phí tiếp nhận khách hàng hoặc thương nhân dựa trên chi nhánh. Phí giao dịch trên các nền tảng ứng dụng giảm xuống dưới 1 %, mở ra khả năng tiếp cận sinh lợi đối với các khoản thanh toán giá thấp và tài khoản miễn phí phí.

Người chiến thắng & sách hướng dẫn của họ

• Nubank (Brazil, được thành lập năm 2013)
  • Chỉ tiếp cận qua di động thông qua danh sách chờ lan truyền; 2 000+ dịch vụ vi mô AWS cho phân tích tín dụng theo thời gian thực.
  • Triển khai mã hàng chục lần mỗi ngày, phát hành các tính năng nhanh hơn các nhà quản lý có thể phê duyệt việc tăng giá của các ngân hàng truyền thống.
  • Đến năm 2023: 100 triệu khách hàng trên khắp Mỹ Latinh; 11 tỷ đô la Mỹ phí kế thừa đã được tiết kiệm cho người dùng; chiếm thị phần hai chữ số trong thị trường thẻ của Brazil trong khi duy trì một trong những tỷ lệ chi phí-thu nhập thấp nhất trong ngân hàng toàn cầu.
  • Doanh thu của họ đang tăng gấp đôi tốc độ chi phí và đang trên đà trở thành ngân hàng có lợi nhuận cao nhất tại Brazil vào năm 2028.
• TymeBank (Nam Phi, thành lập năm 2019)
  • Cloud core trên AWS; KYC ngay lập tức, không giấy tờ qua các ki-ốt sinh trắc học bên trong chuỗi siêu thị (Pick n Pay, Boxer).
  • Không có chi nhánh sở hữu, đội ngũ công nghệ tinh gọn; bán chéo tiết kiệm, tín dụng và bảo hiểm trong ứng dụng.
  • Đến năm 2024: 8 triệu khách hàng; đã đạt đượctính khả thi trong vòng dưới năm năm, chứng minh rằng phân phối vật lý có thể được thuê ngoài trong khi phần cốt lõi vẫn hoàn toàn kỹ thuật số.
• Các ví dụ khác bao gồm các công ty như Flutterwave, Stitch, MNT Halan, Paystack và Paymob.

Tại sao họ thắng

• Phân phối không cần cơ sở hạ tầng;
• Kinh tế đàn hồi
• Bề mặt ưu tiên cho nhà phát triển;
• Chu kỳ lặp lại nhanh chóng;

Khi xem xét tổng thể, những người chơi này minh họa cách mà thiết bị thuộc sở hữu của khách hàng cùng với kiến trúc gốc đám mây tạo ra một lợi thế chi phí cấu trúc—và biến tốc độ, chứ không phải quy mô di sản, thành vũ khí quyết định trong ngân hàng châu Phi và toàn cầu.

Bài học quan trọng từ những sự chuyển đổi nền tảng trong quá khứ

Một số bài học quan trọng từ những sự chuyển mình của nền tảng trong quá khứ

1. Tất cả các nền tảng chuyển đổi đã cho phép các dịch vụ tài chính được thực hiện theo một cách khác. Ý tưởng cơ bản là cấu trúc chi phí của một vấn đề cụ thể, có thể là chi phí giao dịch hoặc chi phí phân phối.
2. Những người hưởng lợi từ sự chuyển dịch nền tảng là các ngân hàng nhanh chóng áp dụng công nghệ (BoFA, Citi) hoặc những người mới tham gia hiểu rõ những gì sự chuyển dịch này mang lại (Stripe, Nubank);

Bối cảnh cho AI sinh sinh

Đối với tôi, những sự chuyển mình của nền tảng trong quá khứ tập trung vào chi phí và phân phối do các lĩnh vực này thực sự mang tính phần mềm tức là có tính xác định. Gen AI có thể không nhất thiết phải là một vấn đề về chi phí và phân phối. Quan điểm của tôi là Gen AI sẽ giảm 10.000 lần chi phí cung cấp một mối quan hệ riêng biệt. Hiện tại, các ngân hàng và công ty Fintech đã phân phối giao dịch qua công nghệ và đây là một xu hướng sẽ tiếp tục. Gần như mọi người đều giao dịch trên điện thoại của họ với rất ít giao dịch diễn ra tại chi nhánh. Điều này áp dụng cho cả cá nhân cũng như khách hàng doanh nghiệp. Tuy nhiên, nút thắt còn lại để phân phối dịch vụ tài chính thêm nữa là khả năng thực hiện ngân hàng mối quan hệ trên quy mô lớn. Điều này là do đây vẫn là công việc của con người vì quản lý mối quan hệ mang tính bối cảnh cao và cần có sự phán đoán.

Gen AI có thể cung cấp dịch vụ "ngân hàng quan hệ" cao cấp với chi phí chỉ vài xu mỗi khách hàng. Hiện nay, một nhân viên quản lý quan hệ hàng đầu tại châu Phi có chi phí khoảng 6.000 đô la mỗi tháng để phục vụ ~30 khách hàng, tức khoảng 300 đô la mỗi người sau khi tính các chi phí khác. Chuyển công việc đó sang AI và chi phí có thể giảm xuống chỉ còn vài xu, mở ra khả năng tư vấn chuyên sâu cho thị trường đại chúng và biến đổi khả năng tiếp cận tài chính trên toàn lục địa. Theo tôi, đây là biên giới tiếp theo vì công nghệ Fintech giao dịch đã được giải quyết.

Mối quan hệ vẫn sẽ quan trọng trong ngân hàng - nhưng chúng sẽ chuyển từ con người sang con người sang con người với AI. Các cuộc trò chuyện về tiền bạc thường mang theo sự xấu hổ; nhiều khách hàng giấu những câu hỏi cơ bản khỏi ánh mắt của một nhân viên ngân hàng. Một AI vô tri, không biết mệt mỏi hạ thấp rào cản xã hội đó, mời gọi sự thẳng thắn và những câu hỏi "ngu ngốc" không giới hạn. Sự trung thực lớn hơn cộng với sự hướng dẫn 24/7 khiến AI trở thành một người quản lý mối quan hệ mạnh mẽ và có thể mở rộng.

Sáng kiến AI Toàn cầu

Cách mà các ngân hàng trên thế giới thực sự sử dụng AI sinh sinh.

Nếu bạn bỏ qua những tiêu đề và sự cường điệu, câu hỏi vẫn còn: các ngân hàng lớn nhất thế giới thực sự đang làm gì với trí tuệ nhân tạo sinh tạo? Không phải tiềm năng trong tương lai. Không phải những gì các nhà cung cấp đang quảng bá. Thực sự đã được triển khai cái gì, và ở đâu?

Trong hai năm qua, lĩnh vực tài chính toàn cầu đã âm thầm bước vào kỷ nguyên AI sinh sinh. Nhưng bức tranh nổi lên không đồng nhất. Đó là sự pha trộn giữa các công cụ nội bộ tĩnh lặng, các thử nghiệm đối diện khách hàng thận trọng, và một vài bước đi thực sự táo bạo gợi ý về cách ngân hàng có thể được cấu trúc lại từ bên trong ra ngoài. Tôi sẽ đưa ra cái nhìn tổng quan dưới đây;

Nội bộ trước, Khách hàng sau

Nếu có một chủ đề nhất quán, đó là: AI bắt đầu từ bên trong.

Phần lớn việc áp dụng AI sinh tạo đã tập trung vào năng suất nội bộ—các công cụ giúp nhân viên làm được nhiều hơn với ít hơn. Từ Trợ lý phân tích của JPMorgan phân tích nghiên cứu vốn cổ phần, đến Công cụ do GPT của Morgan Stanley phát triển dành cho các nhà quản lý tài sản, cược ban đầu là vào việc trao quyền cho các ngân hàng, không phải thay thế họ.

Goldman Sachs là xây dựng copilots cho các nhà phát triển. Citi có các tóm tắt AI giúp nhân viên xử lý biên bản và soạn thảo email. Standard Chartered’s “SC GPT” đang hoạt động trên 70,000 nhân viên, hỗ trợ mọi thứ từ viết đề xuất đến các câu hỏi về nhân sự.

Xét rằng chúng ta sống trong một môi trường quy định chặt chẽ, việc sử dụng công cụ nội bộ là hợp lý vì các ngân hàng có thể thử nghiệm và cải thiện kỹ năng AI của họ mà không gặp phải bất kỳ vi phạm quy định nào. Nếu hành động gần đây của CBN đối với Zap là một ví dụ, thì thà an toàn còn hơn hối tiếc.

Phân đoạn theo phân đoạn: Giá trị nằm ở đâu

Các bộ phận khác nhau đang di chuyển với tốc độ khác nhau. Ngân hàng bán lẻ dẫn đầu về khối lượng. Trong vấn đề này, Wells Fargo’s Fargo hoặc Ngân hàng Mỹ Erica, các chatbot được hỗ trợ bởi AI sinh tạo hiện đang xử lý hàng trăm triệu tương tác hàng năm. Ở châu Âu, Commerzbank gần đây đã ra mắtAva, chatbot của nó.

Vấn đề là một số trong số này thực sự không sử dụng AI sinh sinh và thực tế đang phụ thuộc vào học máy. Điều nàybài báo cung cấp một phân tích tốt về cách Erica của Bank of America hoạt động, thực chất nó là một mechanical turk. Tuy nhiên, điều quan trọng là sự thử nghiệm.

Trong ngân hàng doanh nghiệp và đầu tư, sự thay đổi tinh tế hơn. Các công cụ nội bộ của JPMorgan hỗ trợ các đội nghiên cứu và bán hàng, không phải khách hàng.Deutsche Bank đang sử dụng AI để phân tích nhật ký giao tiếp của khách hàng. Đây không phải là dịch vụ khách hàng—mà là tận dụng dữ liệu, giúp các ngân hàng hiểu và phục vụ khách hàng tốt hơn, nhanh hơn.

Quản lý tài sản nằm ở đâu đó giữa. AI của Morgan Stanley không nói chuyện trực tiếp với khách hàng, nhưng nó đảm bảo rằng các cố vấn không bao giờ bước vào một cuộc họp mà không chuẩn bị. Deutsche Bank và First Abu Dhabi Bank đang thử nghiệm các trợ lý phục vụ khách hàng cho những khách hàng hàng đầu của họ, được thiết kế để trả lời các câu hỏi đầu tư tinh vi theo thời gian thực.

Sự khác biệt khu vực: Ai đang di chuyển nhanh?

Nguồn:Chỉ số AI Rõ Ràng

Bắc Mỹ đang dẫn đầu, như mong đợi. Các ngân hàng Mỹ; JPMorgan, Capital One, Wells Fargo, Citi và RBC đã biến AI thành một động cơ năng suất. Và nhờ vào các quan hệ đối tác với OpenAI và Microsoft, họ đã có quyền truy cập sớm vào các mô hình tiên tiến.

Châu Âu thận trọng hơn. BBVA, Deutsche và HSBC đang thử nghiệm các công cụ nội bộ, thường có nhiều biện pháp bảo vệ hơn. GDPR tạo ra một bóng đổ dài. Như thường lệ, Châu Âu tập trung vào quy định hơn là tiến bộ và điều này có thể khiến họ phải trả giá.

Châu Phi và Mỹ Latinh đang ở giai đoạn sớm hơn, nhưng phát triển nhanh chóng. Nubank ở Brazil là một ví dụ nổi bật, hợp tác với OpenAI để triển khai các công cụ trong nội bộ và cuối cùng là cho khách hàng. Tại Nam Phi, các ngân hàng như Ngân hàng Standard và Nedbank đang thực hiện các thử nghiệm AI nội bộ trong các lĩnh vực rủi ro, hỗ trợ và phát triển.

Trung Quốc: Xây Dựng Hệ Thống AI Của Riêng Mình

Các ngân hàng của Trung Quốc không chỉ sử dụng AI - họ đang xây dựng nền tảng.

• ICBC ra mắtZhiyong, một mô hình ngôn ngữ lớn với 100 tỷ tham số được xây dựng nội bộ. Nó đã được gọi hơn một tỷ lần, cung cấp sức mạnh cho các trường hợp sử dụng từ phân tích tài liệu đến tự động hóa tiếp thị trong 200 lĩnh vực kinh doanh. Nó không chỉ là công cụ nội bộ, mà là một sự chuyển mình cơ bản trong cách thức mà ngân hàng hoạt động.
• Ant Group đã ra mắt hai LLM tài chính -Zhixiaobao 2.0 (dành cho khách hàng bán lẻ) vàZhixiaozhu 1.0 (dành cho các chuyên gia tài chính). Cái trước được thiết kế để giải thích các sản phẩm tài chính cho người dùng hàng ngày trong Alipay. Cái sau giúp các nhà quản lý tài sản tóm tắt báo cáo thị trường và tạo ra những thông tin chi tiết về danh mục đầu tư.
• Tập đoàn Ping An, một trong những công ty Fintech yêu thích của tôi, là sự kết hợp giữa bảo hiểm, ngân hàng và công nghệ, đang tiếp tục mở rộng hơn nữa. Nó đã xây dựngHỏi Bob, một trợ lý AI sinh ra cho cả khách hàng và quản lý quan hệ. Đối với khách hàng, AskBob có thể trả lời các câu hỏi về đầu tư và bảo hiểm bằng tiếng Trung tự nhiên. Đối với các cố vấn, nó thu thập và tóm tắt lịch sử khách hàng, dữ liệu sản phẩm và tài liệu tiếp thị, biến mỗi đại lý thành một chuyên gia tài chính được tăng cường kỹ thuật số. Tham vọng của Ping An là định nghĩa lại tư vấn tài chính thông qua AI, không chỉ trả lời câu hỏi, mà còn dự đoán chúng.

Tại Trung Quốc, nơi các khung pháp lý khuyến khích mạnh mẽ việc định vị dữ liệu và sự minh bạch của mô hình, những tổ chức này đang đi con đường dài: xây dựng AI được đào tạo tùy chỉnh có thể phát triển trong các môi trường pháp lý, ngôn ngữ và thị trường trong nước. Hơn nữa, Trung Quốc có đủ mật độ tài năng để cho phép các ngân hàng xây dựng các mô hình cơ bản của riêng họ, một thành tựu có thể sẽ không được lặp lại ở bất kỳ đâu khác trên thế giới.

Ai đang điều khiển điều này?

Một vài tên tuổi lớn xuất hiện khắp nơi: Microsoft (thông qua Azure OpenAI) là nền tảng phổ biến nhất. Mọi người từ Morgan Stanley đến Standard Chartered đều đang chạy các mô hình của họ trong sandbox an toàn của Microsoft.

Các LLM của Google cũng đang được sử dụng, Wells Fargo sử dụng Flan để hỗ trợ Fargo. Và ở Trung Quốc, chủ yếu là do trong nước phát triển: DeepSeek, Hunyuan, và những cái khác.

Một số ngân hàng như; JPMorgan, ICBC và PingAn đang đào tạo các mô hình riêng của họ. Nhưng hầu hết đều đang tinh chỉnh những mô hình hiện có. Không phải là sở hữu mô hình. Mà là sở hữu lớp dữ liệu và sự phối hợp.

Tổng quan về các sáng kiến AI khác nhau trên toàn cầu

Vậy thì sao?

Trong một ngành công nghiệp có nhiều quy định, việc thận trọng là rất quan trọng và đó là lý do tại sao các ngân hàng giữ AI bên trong vòng kiểm soát, không ở tuyến đầu. Tuy nhiên, như chúng ta đã thấy trong các sự chuyển mình của nền tảng khác, việc quyết đoán và thử nghiệm nhanh chóng là rất quan trọng. Quy định sẽ không bao giờ đi trước việc thực hiện và việc trì hoãn thử nghiệm AI với ý tưởng rằng bạn phải chờ đợi các quy định là không thông minh. Tôi nhớ đã xây dựng ngân hàng đại lý cách đây hơn một thập kỷ ở một quốc gia không có các quy định như vậy. Khi chúng tôi xây dựng nó, chúng tôi là những người giải thích nó cho Ngân hàng Trung ương. Nếu tôi là thành viên hội đồng quản trị của một ngân hàng, câu hỏi của tôi sẽ là "chúng ta đang chạy bao nhiêu thí nghiệm và chúng ta đang tạo ra bao nhiêu thông tin chi tiết?"

Để thực sự đo lường sự tiến bộ, bạn phải quay trở lại với những nguyên tắc cơ bản của một sự thay đổi nền tảng. Chiến lược AI của bạn phải trả lời:

“Chiến lược AI của chúng ta có tái cấu trúc kiến trúc cốt lõi, giảm chi phí xuống 100×, mở khóa các mô hình giá trị mới, kích thích kết nối hệ sinh thái, phá vỡ thị trường và dân chủ hóa quyền truy cập không?”

Logic rất rõ ràng, việc hoài nghi là quan trọng nhưng logic và sự thật chỉ ra rằng AI đang là một sự chuyển dịch nền tảng mới. Hơn nữa, logic và sự thật cho thấy rằng các sự chuyển dịch nền tảng trong quá khứ đã chuyển động theo cách ẩn dụ trong các thị trường tài chính. Công việc của Citi với công nghệ trong những năm 70 và 80 đã mở rộng đáng kể lĩnh vực kinh doanh bán lẻ của họ. Capital One đã từ đâu xuất hiện để trở thành một trong 10 ngân hàng hàng đầu trên thị trường và là một người chơi quan trọng trong các ngành liên quan như cho vay ô tô và thế chấp. Tại châu Phi, Equity Bank đã tận dụng làn sóng client-server để trở thành ngân hàng lớn nhất Đông Phi theo giá trị thị trường. Cùng làn sóng đó cũng đã được Access Bank, GT Bank và Capitec tận dụng trong các thị trường tương ứng của họ.

Thời đại nền tảng AI đã đến và nó sẽ tạo ra những người chiến thắng. Ý tưởng là không tập trung vào những người thua cuộc vì những gì xảy ra là những người chiến thắng chiếm lĩnh thị trường đáng kể trong một vector cụ thể, chẳng hạn như Stripe trong lĩnh vực Thanh toán. Những miếng ghép ban đầu này dẫn đến việc tăng thị phần ở các lĩnh vực liền kề như cách Nubank đã sử dụng thẻ tín dụng để trở thành một người chơi nghiêm túc trong lĩnh vực ngân hàng SME và bán lẻ.

Quan điểm của tôi là những người chiến thắng trong thời đại AI sẽ tập trung vào chi phí của mối quan hệ. Không còn là một trò chơi giao dịch nữa. Điều đó đã xảy ra rồi. Đây là một trò chơi về trải nghiệm khách hàng và mối quan hệ. Đây là cái nhìn cốt lõi mà các nhà lãnh đạo dịch vụ tài chính nên tiếp thu. Làm thế nào bạn có thể tạo ra sự cải thiện 100 lần trong trải nghiệm khách hàng và ngân hàng mối quan hệ với một phần chi phí? Làm thế nào chúng ta có thể tận dụng trí tuệ như một ngân hàng để giúp bạn quản lý tài chính, doanh nghiệp và cuộc sống của bạn tốt hơn? Những người chơi trả lời những câu hỏi này và thực hiện sẽ là những người chiến thắng.

Tuyên bố từ chối trách nhiệm：

1. Bài viết này được đăng lại từ [Bản tin Công nghệ Tài chính Frontier]. Chuyển tiếp Tiêu đề Gốc‘#81 - Vượt Qua Sự Thổi Phồng: Tại Sao Gen AI Là Sự Chuyển Đổi Nền Tảng Thật Sự Tiếp Theo Của Ngân Hàng (Miễn Phí Để Đọc)’. Tất cả quyền tác giả thuộc về tác giả gốc [Mary Mogoi]. Nếu có bất kỳ ý kiến phản đối nào đối với việc tái bản này, xin vui lòng liên hệ với Gate Learn đội ngũ, và họ sẽ xử lý nó kịp thời.
2. Tuyên bố miễn trách nhiệm: Quan điểm và ý kiến được trình bày trong bài viết này hoàn toàn là của tác giả và không cấu thành bất kỳ lời khuyên đầu tư nào.
3. Việc dịch bài viết sang các ngôn ngữ khác được thực hiện bởi đội ngũ Gate Learn. Trừ khi có đề cập, việc sao chép, phân phối hoặc đạo văn các bài viết đã dịch là bị cấm.